Beschleunigung der Innovationszyklen Die unsichtbare Revolution: Wie KI Prozesse und Produkte neu formt

Anbieter zum Thema

CADFEM Germany GmbH

xSuite Group GmbH

Esker Software Entwicklungs-und Vertrieb

Ob in der Medizin, Materialforschung oder Produktion – KI ist der stille Motor einer neuen industriellen Ära. Im Gespräch erklärt Prof. Dr. Carsten Welsch, wie Daten und Algorithmen Innovationszyklen beschleunigen und ungeahnte Partnerschaften ermöglichen.

Wie verändert der Einsatz von künstlicher Intelligenz aktuell Prozesse und Innovationszyklen in datenintensiven Forschungsbereichen und der Industrie?

Professor Dr. Carsten Welsch: Künstliche Intelligenz hat die Innovationszyklen in vielen Bereichen drastisch verkürzt. Mein ursprüngliches Forschungsgebiet ist die Entwicklung von Teilchenbeschleunigern, also Großforschungsanlagen, die sowohl in der Grundlagenforschung als auch in der medizinischen Anwendung – etwa bei der Protonenstrahltherapie – eingesetzt werden. Diese Anlagen liefern permanent riesige Datenmengen, weil wir wissen müssen, wo sich der Teilchenstrahl befindet, wie energetisch er ist und wie er sich bewegt. Um diese Daten effizient zu nutzen, ist es essenziell, sie zu kombinieren und auszuwerten. 

Der Umgang mit großen Datenmengen war für uns immer eine Grundvoraussetzung, um solche Anlagen überhaupt betreiben und optimieren zu können. In den vergangenen Jahren haben wir beobachtet, dass sich die Konzepte, die wir in der Teilchenphysik entwickelt haben, sehr gut auf industrielle Anwendungen übertragen lassen – unabhängig davon, ob es um Teilchenbeschleuniger geht. Der Umgang mit Daten, wie wir ihn praktizieren, ist auch für industrielle und klinische Anwendungen hochinteressant. KI ermöglicht es, riesige Datenmengen zu verarbeiten, die für Menschen unüberschaubar wären. Dadurch lassen sich Innovationen mit deutlich weniger personellen Ressourcen umsetzen.

DER GESPRÄCHSPARTNER

Professor Dr. Carsten Welsch leitet die Beschleuniger-Forschung an der Universität Liverpool und forscht am CERN. Sein Spezialgebiet sind Teilchenbeschleuniger, die er für die Grundlagenforschung und medizinische Anwendungen entwickelt. Er verbindet die Ausbildung von Nachwuchswissenschaftlern und die Zusammenarbeit mit der Industrie als Initiator, Leiter und Gestalter innovativer Ausbildungsprogramme – insbesondere als Direktor des Liverpool Centre for Doctoral Training for Innovation in Data Intensive Science (LIV.INNO).  Er hat mehrere Doktorandenzentren gegründet und geleitet, darunter LIV.DAT und LIV.INNO, die darauf ausgerichtet sind, junge Wissenschaftlerinnen und Wissenschaftler nicht nur für die akademische Forschung, sondern auch für den Einsatz in der Industrie auszubilden.

Können Sie diesen Faktor der Beschleunigung beziffern?

Ich denke, der Innovationszyklus verkürzt sich mindestens um den Faktor 10, in manchen Bereichen sogar um den Faktor 100. Besonders im Gesundheitswesen eröffnen sich völlig neue Möglichkeiten, etwa durch die Korrelation großer Datensätze, um Zusammenhänge zwischen Ernährung und bestimmten Erkrankungen zu erkennen – Fragestellungen, die zuvor schlicht nicht bearbeitet werden konnten. Plötzlich können wir Innovationen angehen, die vorher undenkbar waren – mit einem Bruchteil der personellen Ressourcen, die wir früher benötigt hätten.

Wie führt die KI zu Innovationen in diesen Bereichen?

Der entscheidende Punkt ist, dass wir verschiedene Datenelemente kombinieren und so neue Anwendungen zugänglich machen können. Das ist eine große Chance, aber auch ein Risiko: Die KI kann Korrelationen und Zusammenhänge aufdecken, die Effizienzsteigerungen ermöglichen und Entwicklungsprozesse beschleunigen. Gleichzeitig besteht die Gefahr, dass Produktionsrisiken übersehen werden, weil die KI als Blackbox agiert und die zugrunde liegenden Prozesse nicht mehr transparent sind.

Gibt es konkrete Beispiele aus Ihrer Forschung, die diesen Wandel greifbar machen?

Ein sehr gutes Beispiel ist die virtuelle Diagnose in Teilchenbeschleunigern. Früher mussten wir an bestimmten Stellen physische Diagnoseinstrumente einbauen, um den Zustand des Teilchenstrahls zu messen. Heute ermöglicht uns KI, an Orten, an denen keine Messinstrumente installiert sind, virtuelle Diagnosen durchzuführen. So erhalten wir Informationen über den Strahl, die sonst unerreichbar wären – etwa an Stellen, wo der Strahl auf ein Target trifft oder Experimente stattfinden. Das eröffnet völlig neue Möglichkeiten, die zuvor technisch nicht realisierbar waren.

KI verbessert Predictive Maintenance

Gibt es auch Anwendungsbeispiele aus der Industrie?

Ja, ein weiteres Beispiel ist die vorausschauende Wartung, auch Predictive Maintenance genannt. In unseren Anlagen, etwa bei Radiofrequenz-basierten Hohlraumresonatoren, kommt es gelegentlich zu Feldzusammenbrüchen, die den Betrieb stören. Mithilfe von KI können wir nun vorhersagen, wann die Wahrscheinlichkeit eines solchen Zusammenbruchs steigt, und rechtzeitig eingreifen. Dieses Prinzip lässt sich auf industrielle Produktionsprozesse übertragen: Unternehmen können sich vorhersagen lassen, mit welcher Wahrscheinlichkeit Fehler auftreten, und rechtzeitig Maßnahmen ergreifen.

Predictive Maintenance ist aber kein neues Konzept. Was hat sich durch die neue Generation der KI verändert?

Die Geschwindigkeit der Umsetzung und die Vielfalt der verknüpften Datenquellen haben sich deutlich erhöht. Während früher nur wenige, festgelegte Parameter überwacht wurden, können heute zahlreiche Datenquellen gleichzeitig analysiert werden. Das ermöglicht eine viel umfassendere und schnellere Fehlererkennung und -prävention. Die Breite der Anwendungen ist heute deutlich größer als noch vor wenigen Jahren.

Open Innovation Report

KI-Strategie: Unternehmen setzen auf Kooperation mit Start-ups